Rancang Bangun Prototype Ciri Citra Kulit Luar Kayu Tanaman Karet menggunakan Metode Virtual Center Of Gravity
distance [4]
Rancang Bangun Prototype Ciri Citra Kulit
Luar Kayu Tanaman Karet menggunakan
Metode Virtual Center Of Gravity
objek citra yang lain untuk menghasilkan keputusan yang berbeda Ruang lingkup pengolahan citra dan model pengenalan pola berbasis statistik merupakan landasan deduktif dalam membangun sebuah kerangka konsep penelitian yang menjelaskan proses data empiris tanaman karet yang terdiri dari daun, akar, dan kulit luar maka dalam penelitian ini memilih kulit luar sebagai
Prototype yang dibangun dapat dipergunakan untuk
Manfaat dari penelitian ini adalah inovasi dari algoritma ekstrasi fitur yaitu mengkombinasikan algoritma ekstraksi fitur warna dan fitur kontur dan
Rate dan False Rejected Rate sebagai pengukuran tingkat kesalahan.
keputusan untuk membentuk susunan klasifikasi usia produktifitas pada tanaman karet yang diuji dengan menggunakan metode unjuk kerja False Acceptance
Gravity (VCG). Hasil yang diharapkan adalah sebuah
Berdasarkan acuan penelitian yang berkaitan tentang klasifikasi dan konsep segmentasi, maka pada penelitian ini dilakukan beberapa hal sebagai berikut; tahap pertama melakukan proses pemilihan data latih terbaik (best sampling) dengan tujuan data yang diperoleh adalah data terbaik berdasar uji kemiripan. Tahap kedua adalah proses segmentasi menggunakan kombinasi color based dan contour based. Selanjutnya pada tahap ketiga melakukan ekstraksi ciri, metode yang digunakan adalah Virtual Center Of
dan kombinasi diantaranya. Pada proses segmentasi citra berdasarkan klasifikasi, langkah pertama yang harus dilakukan adalah mengumpulkan segmentasi ke dalam area homogen dan informasi spektrum yang sama untuk mengklaster citra menjadi tiga bagian dengan menggunakan pengukuran kemiripan matriks euclidean
Abstrak – Citra dijital kulit kayu tanaman karet memiliki tingkat kerapatan intensitas yang tinggi. Pola suatu citra dapat dikenali melalui proses analisis ciri. Ekstraksi ciri yang merupakan salah satu proses analisis ciri pada penelitian ini mengunakan metode Virtual Center Of Gravity (VCG) dengan segmentasi citra berbasis warna abu-abu (Gray Base) dan warna hitam putih (Contour Base). Prototype ciri yang dibangun berasal dari 3 (tiga) data citra yang telah melalui proses pemilihan data terbaik (best sample selection) sebagai proses pelatihan dengan menggunakan tenik coefficient correlation. Keputusan yang diharapkan adalah sebuah model klasifikasi usia produktifitas tanaman karet dengan menguji berbagai data citra uji terhadap prototype ciri dengan menggunakan pengukuran kemiripan dan jarak (similiarity measurement). Performance dari pengujian ini menggunakan pengukuran tingkat kesalahan (error analysis rate) dan pengukuran keberhasilan penentuan klasifikasi (Accuracy). Hasil penelitian ini menunjukkan bahwa dari maksimal 18 data pengujian yang terbagi menjadi maksimal 6 data valid image dan 12 data forgery image, dengan variasi pengujian sebanyak 5 kali pada setiap kategori diperoleh tingkat Accuracy terendah sebesar 77.78% dan tertinggi sebesar 85.19%.
oriented, pixel oriented, region oriented, color oriented
segmentasi citra dibagi beberapa orientasi, yaitu contour
pixel , jarak antar pixel, dan lain-lain [3]. Konsep dasar
permukaan kulit kayu menjadi kasar dan membentuk alur-alur spesifik [2]. Pola adalah suatu entitas yang samar yang dapat diberi nama seperti : citra sidik jari, tulisan tangan, sinyal suara, wajah, urutan DNA, dan lain-lain. Fitur adalah atribut dari pola yang mendeskripsikan ciri-ciri pola dalam berbagai entitas tergantung dari polanya. Umumnya, fitur dari suatu pola dijital adalah berupa lebar atau tinggi obyek, intensitas warna, dan lain-lain. Fitur juga dapat berupa sekumpulan pengukuran secara statistik dari pixel-pixel yang ada yang dapat didasarkan pada posisi pixel, warna
Agus Naba. adalah Dosen Fisika, Fakultas MIPA Universitas Brawijaya Malang (email
Sholeh Hadi Pramono adalah Dosen Teknik Elektro, Fakultas Teknik Universitas BrawijayaMalang (emaildan
Arief Bramanto Wicaksono Putra adalah Dosen Jurusan Teknologi Informasi Politeknik Negeri Samarinda dan Mahasiswa Program Magister Teknik Elektro, Fakultas Teknik Universitas Brawijaya Malang(email: ariefbram@gmail.com)
I. P ENDAHULUAN ENGAMATAN kulit kayu dilakukan secara makroskopis dan mikroskopis. Pengamatan makroskopis dengan menggunakan loupe perbesaran 8 kali, meliputi warna kulit kayu, tekstur, ketebalan dan penampakan bidang lintang sedangkan pengamatan secara mikroskopis hanya meliputi dimensi serat (panjang, diameter serat, lumen dan ketebalan dinding serat) [1]. Pembentukan dan kecepatan perusakan pada permukaan luar. Lapisan floem sekunder yang mengelupas berupa lembaran atau sisik. Bila belum rusak lapisan tersebut akan menumpuk, sedangkan keliling pohon bertambah terus maka akan terbentuk alur-alur yang merupakan ciri khas kulit pada sebagian besar pohon. Pecahnya sel-sel tersebut menyebabkan
Kata Kunci — Performance, Prototype ciri, Segmentation Gray Base & Contour Base, Similarity measurement, Virtual Center of Grafity.
Arief Bramanto W.P., Sholeh Hadi Pramono, Agus Naba P objek yang akan diamati dengan bentuk citra dijital. IMAGE IMAGE DATA RAW PRE Penelitian secara eksperimen dengan kajian simulatif SOURCE ACQUISITION PROCESSING COLLECTION dilakukan pada bagian segmentasi di tahapan pre COLOR CONTUR processing, bagian ekstraksi fitur di tahapan image BASED BASED
analysis , dan bagian klasifikasi menggunakan fuzzy BEST logic di tahapan decision. Gagasan baru coba diutarakan EXTRACTION FEATURE COLOR BASED SAMPLING
dalam penelitian ini yang diletakan pada metode SEGMENTATION (FCM) ekstraksi fitur yaitu VCG (Virtual Center Of Gravity). WORKSPACE Virtual Center Of Gravity SAMPLING IMAGE Kerangka Konsep penelitian ini disajikan dalam CONTOUR BASED SEGMENTATION Gambar 1 (EDGE DETECTION)
OBJECT DECISION PROTOTYPE FEATURE Akuisisi Menjadi Citra Dijital Jenis
Gambar 2. Rancang Bangun Prototype Ciri Habitat Daun
KLASIFIKASI Akar KARET Usia
Citra yang diolah berasal dari data primary yang
VERIFIKASI Kulit Luar
diakuisisi kemudian dikumpulkan dalam suatu raw data
DESKRIPSI collection Selanjutnya data citra dijital tersebut akan
melalui tahap pre-processing yang terdiri dari [5] :
Prototype Ciri Citra Kulit
Pembacaan data dari raw data collection
Kayu Tanaman Karet PERFORMANCE Sebagai Susunan
1. Melakukan color transformation dari RGB to
Fuzzy Logic NN Bayesian Pengukuran Performansi Klasifikasi Usia grayscale
Produktifitas MSE Statistical Based
2. Menghilangkan derau (noise filtering) dengan
Rasio Likelihood filter Gaussian
Kesalahan FAR,FRR, Image Analysis
3. Melakukan konversi type dari uint8 ke double
Accuracy
4. Melakukan cropping (reduce pixel) untuk
Eigen WAVELET
VCG Pre Processing menghilangkan kesalahan informasi
FEATURE
5. Melakukan edge detection untuk memperoleh
Noise Filtering Cropping EXTRACTION citra dengan basis warna hitam putih (binary)
FEATURE Color FCM Segmentation SELECTION Transformation Tahapan proses pemilihan data terbaik (best
FEATURE sampling ) dilakukan untuk eliminasi sejumlah citra
COMPRESSION Mapping Labeling Enhancement
dijital asli. Sebagai ilustrasi jika kulit karet dengan perkiraan usia kurang dari 5 tahun yang digolongkan sebagai kategori pra produktif terdapat 10 sampel data,
= Berhubungan = Diteliti
lakukan eliminasi menggunakan uji korelasi untuk
= Berpengaruh = Gagasan Baru sebagai bentuk = Sebab Akibat pengembangan
memperoleh 3 sampel terbaik.
= Optional Pengamatan atau Penelitian yang = Dilakukan
Pada tahap ekstraksi fitur, masing masing basis
dilakukan peneliti sebelumnya
mengeluarkan fitur khusus yang berupa Virtual
Gambar 1. Kerangka Konsep Coordinat Center Of Gravity. Hasil dari ekstrasi fitur ini diolah sehingga menjadi sebuah prototype fitur.
ETODE ENELITIAN
II. M P Pengujian yang di gunakan untuk solusi klasifikasi
Data yang digunakan diperoleh melalui proses pada tahap keputusan menggunakan fuzzy rule based, di akuisisi data dengan menggunakan sensor kamera tunjukan dalam Gambar 3 berikut : dijital. Obyek data yang diteliti adalah kulit luar kayu tanaman karet yang berlokasi di perkebunan rakyat
GUESS
IMAGE PRE - PATTERN DATA
Kecamatan Marangkayu Kabupaten Kutai Kartanegara ACQUISITION PROCESSING SEGMENTATION
IMAGE
Provinsi Kalimantan Timur Variabel yang dilibatkan dalam kegiatan penelitian
GUESS IMAGE PATTERN
ini terdiri atas format citra,komponen prototype ciri,
TEST GIP AGAINST FEATURE
komponen pengujian citra uji dengan prototype ciri, dan
FEATURE PROTOTYPE EXTRATION komponen unjuk kerja. WITH DECISION FUZZY RULE BASED
Solusi masalah terdiri dari dua tahapan utama yaitu Membangun prototype ciri yang berfungsi sebagai proses pelatihan dan Menguji citra uji atau yang
PERFORMANCE
selanjutnya disebut Guess Data Image (GDI) dengan
ACCEPTANCE prototype ciri. GDI terdiri atas valid image dan forgery
Gambar 3. Pengujian Citra Uji Dengan Prototype Ciri image
Tahapan pembangunan prototype ciri secara kerangka GDI (Guess Data Image) yang diperoleh akan solusi disajikan dalam bentuk flow diagram seperti digunakan sebagai data uji. GDI diolah melalui tahap ditunjukan pada Gambar 2 berikut
pre-proccessing dan pattern segmentation yang hasilnya
dinamakan dengan Guess Image Pattern (GIP). Fitur dari GIP diperoleh melalui proses ekstraksi kemudian dilakukan proses pengenalan dan pengujian kemiripan terhadap prototype fitur yang telah dibangun. Pengukuran unjuk kerja menggunakan metode FAR (False Acceptance Rate) dan FRR (False Rejectance
Rate )
B.
ROTOTYPE
C
III. P
and Contour Based)
Pada prototype ciri ini menggunakan tiga pilihan referensi dalam melakukan seleksi data latih yaitu : Color Based Reference Contour Based Reference Common Reference (Intersection Between Color
Seleksi Data Latih Prototype Ciri
IRI A.
Informasi citra dijital (image) harus memiliki syarat diperoleh dari pola citra yang maksimum. Pemotongan tepi koordinat X dan Y pada image menghasilkan image
3 Best Samples Contour Pattern Gambar 5. Seleksi Data Latih Terbaik
A - A . B - B
(1) dimana : i i
A dan B = Tiap data pada Himpunan data A dan B.
A dan B = Rerata Himpunan Data A dan B. , 1 A B
dikatakan A dan B memiliki korelasi negatif sempurna.
Contour Pattern Gray/Index Pattern
Train Data Best Samples Selection for each category
3 Best Samples Gray Pattern
ORIGINAL
A,B 1 n i i i n n A B i i i i A - A B - B Cov A,B
IMAGE Data Collection Read Data
RGB Image Canny Edge Detection
Convert to Gray Image Noise Filtering
Cropping Index Image BW
Image Convert to Index Image (Type Double)
Gray Image PRE PROCESSING
Pra Produktif (Pra) Produktif(Pro) Paska Produktif (Pas)
Contour Pattern Gray/Index Pattern
Train Data Gambar 4. Pre Processing Prototype Ciri
.
1
pattern (pola citra) yang memiliki nilai X dan Y maksimum. Proses ini dinamakan image cropping.
terbaik dari proses eliminasi data berbasiskan warna abu-abu. Contour reference bertujuan membuat tiga data latih terbaik dari proses eliminasi berbasiskan warna hitam putih.
Data yang akan dilatih sesuai dengan flow diagram pembentukan prototype dibagi menjadi dua bagian yaitu
gray pattern based (gray/index) dan contour pattern based (binary) .
Contour pattern diperoleh dengan proses edge detection yang menggunakan metode canny.
Proses aritmatika pada matriks tidak mengijinkan menggunakan tipe data bilangan bulat 8 bit yang selanjutnya disingkat menjadi uint8, sehingga image harus diubah menjadi tipe data double terlebih dahulu menjadi tipe data bilangan riil berpresisi ganda sehingga proses aritmatika pada matriks bisa dilakukan, langkah ini dinamakan proses konversi tipe data .
IP (Image Pattern) hasil akuisisi citra dijital adalah berjenis true color (RGB). Untuk mengurangi kompleksitas image maka perlu dilakukan konversi image . yaitu merubah dari true color ke grayscale. Tahap selanjutnya grayscale image difilter untuk menghilangkan noise yang mungkin ada dengan menggunakan filter gaussian.
Default
Klasifikasi pada penelitian ini telah ditentukan menjadi tiga bagian yakni usia pra produktif, produktif dan paska produktif. Dimana proses akuisisi untuk semua kategori telah dilakukan dan disimpan pada sebuah data collection. Pembangunan prototype ciri pada tahapan pre processing disajikan dalam Gambar 4.
Tiga referensi dalam seleksi data latih terbaik dibuat sebagai bahan perbandingan. Referensi pertama yaitu
color reference bertujuan membuat tiga data latih
Referensi ketiga yaitu common reference berfungsi mengambil tiga data dari nilai irisan color reference dan
2
contour reference. Jika irisan yang diperoleh kurang
dari tiga data, maka data yang tidak termasuk irisan akan di seleksi ulang guna memenuhi syarat terpenuhnya tiga data latih terbaik.
Tahapan pemilihan data terbaik bertujuan melakukan optimasi komputasi pada pelatihan untuk mendapatkan ciri terbaik atau disebut juga ciri yang memiliki tingkat kemiripan dan kedekatan yang sangat rapat. Hal ini disajikan dalam Gambar 5 berikut:
Dasar perhitungan yang digunakan untuk pemilihan data terbaik adalah himpunan data berupa jumlah nilai pixel IP yang selanjutnya dinyatakan dengan intensitas
IP terhadap kolom (X) dan jumlah intensitas IP terhadap baris (Y). Dalam sistem koordinat piksel, sumbu X menyatakan urutan kolom, dan sumbu Y menyatakan urutan baris.
Untuk mengetahui tingkat kekuatan hubungan antara dua himpunan data, misalnya A dan B, digunakan koefisien korelasi yang dinyatakan dengan [6] :
Preparation Dan Pre Processing Prototype Ciri
1
2
, 1 A B
kepadatan piksel dimana pola citra yang diolah dibagi ke daerah vertikal (kolom X) dan horisontal (baris Y) sehingga jumlah piksel sama di setiap daerah [8].
max abs ρ-1 = max 0.3967 0.3431 0.4500 0.4394 max abs ρ-1 = 0.4500
Karena deviasi maksimum elemen vektor
terhadap korelasi sempurna (ABS(1)) adalah 0.4500 berada pada kolom 3, maka sampel IP3 yang ditolak. Sampel data pelatihan yang terpilih sebagai kandidat adalah IP1,IP2, dan IP4 untuk selanjutnya kan diproses lebih lanjut di tahap analisis citra yang menguraikan tentang bagaimana ekstraksi ciri dari citra ke 3 kandidat tersebut.Jika terdapat n data sampel pelatihan, setiap uji korelasi tetap menggunakan 4 (empat) sampel. Tiga sampel yang diterima dipertahankan, kemudian ditambahkan data berikutnya untuk dilakukan uji korelasi kembali. Proses berlangsung terus menerus hingga semua sampel data pelatihan teruji.
C.
Prototype Ciri Menggunakan Metode VCG
Ciri khusus dalam suatu citra bisa diperoleh dengan pencarian pusat massa (center of gravity), lazimnya ditemukan dengan menggunakan nilai rerata koordinat piksel yang menyusun suatu objek [7] Penelitian yang sudah dilakukan sebelumnya menggunakan ciri center
of gravity dengan memanfaatkan informasi posisi
Pembuatan prototype ini akan diterapkan bagaimana dari tiga data terbaik yang telah diperoleh diproses menggunakan metode VCG maka pada pembangunan
ρ = 0.6033 0.6569 0.5500 0.5606
prototype ciri ini tahapan ekstraksi ciri disajikan dalam
Gambar 7 berikut Dari flow diagram dapat dijelaskan bahwa tiga data citra pelatihan akan diekstraksi menggunakan metode VCG sehingga menghasilkan representasi WB dan WG untuk setiap citra pada masing-masing kategori, range
distance antara nilai minimum dan maximum VCG serta
memperoleh rata-rata yang selanjutnya dinyatakan dalam common VCG. Secara rinci tahapan ini akan dijelaskan sebagai berikut :
Fitur VCG adalah representasi feature space dari pusat gravitasi IP terhadap Feature Space (FS/Ruang Pola) dan Background (latar belakang pola), konsep
VCG yang dilakukan pada penelitian ini dijelaskan melalui representasi berikut :
Feature Space (Black) ZEROS
Feature Space (Gray) HALF
Background (White) ONES
Dari 4 (empat) sampel data latih, akan dipilih 3 (tiga) data terbaik. Untuk menentukan sampel data latih yang harus di eliminasi, maka perlu dicari selisih terbesar dari nilai koefisien korelasi sempurna (ABS (1)), dalam hal ini digunakan perhitungan seperti di bawah ini :
diperoleh :
dikatakan A dan B memiliki korelasi positif sempurna Koefisien korelasi suatu himpunan data A terhadap dirinya sendiri dinyatakan dengan :
1
2
1
1
2
2
2
1
1
A,A 1 n n i i i i i n n n i i i i i i A - A A - A A - A A - A
A - A . A - A
………(2) Pada percobaan penelitian ini diperoleh hasil pre
processing sejumlah 4 buah data untuk jenis kategori
pra produktif sebagai berikut : Total Koefisien korelasi relatif antar image IP1, IP2,
IP3, dan IP4 dapat dinyatakan dengan :
X(1,2,3,4) Y(1,2,3,4) ρ + ρ ρ =
2 yang menyatakan hubungan antar image dimaksud.
Maka
Gambar 8. Representasi Virtual Center Of Gravity Contour Pattern Gray/Index Pattern Train Data Best Samples Selection for each category 3 Best Samples Gray Pattern Contour Pattern 3 Best Samples Calculate Distance between Train Data & White Space (dW) Calculate Distance between Train Data & Black Space (dB) Calculate Distance between Train Data & Gray Space (dG) Calculate Common VCG Common VCG Feature in WB Space Common VCG Feature in WG Space Range Distance in WB Space Range Distance in WG Space VCG Feature from Sample 1 (dW, dB, dG) VCG Feature from Sample 2 (dW, dB, dG) VCG Feature from Sample 3 (dW, dB, dG) Calculate Min & Max Distance In WB Space Calculate Min & Max Distance In WG Space VCG FEATURE EXTRACTION VCG Feature (Color & Contour) Gambar 7. Ekstraksi Menggunakan Metode VCG Gambar 6. Citra Kategori Pra Produktif After Pre Processing Representasi Feature Space hubungan antara IP terhadap W (Background) yang berwarna putih dan B (Feature Space/ruang pola) yang berwarna hitam dan representasi feature space hubungan antara IP terhadap W (Background) yang berwarna putih dan G (Feature
space /ruang pola) yang berwarna abu-abu disajikan
dalam Gambar 9 dan 10 seperti berikut : Variabel d
Feature Space d yG Background d yW
Background .vs. Feature space seperti dalam Gambar 11.
kemudian direpresentasikan ke dalam koordinat
yG
dan d
yW
dan perhitungan Eucliden Distance d
yB
dan d
yW
Hasil perhitungan Euclidean Distance d
VCG WB
seperti berikut : Hasil Dari tahapan pemilihan data latih terbaik adalah seperti berikut : Referensi Best Sample : ---------------------------------------------------------- [1]. Color Based Reference (contour best sample = color best sample) ---------------------------------------------------------- Jumlah Data Latih PRA = 10 allbestPRA =
adalah Euclidean Distance antara IP dengan W, sedangkan variabel d
IV. H
ASIL
D
AN
P
EMBAHASAN
Hasil Dari Prototype Ciri dijelaskan sebagai berikut : Data yang diakuisisi terdiri dari 10 data kategori usia pra produktif, 10 data kategori produktif dan 6 data kategori paska produktif. Setelah melalui proses pre
processing , maka data disimpan dalam workspace
Jumlah Data Latih PRO = 10 2 4 7 allbestPRO = 2 3 6 Jumlah Data Latih PAS = 6 allbestPAS = 1 2 4
adalah Euclidean
Tahapan selanjutnya setelah diperoleh hasil dari rancang bangun prototype ciri ini adalah dengan menguji kemampuan proses klasifikasi dari data citra uji (Guess Image Pattern) yang selanjutnya disingkat GIP terhadap prototype ciri. Tahapan itu terdiri atas :
A.
Penentuan GIP
GIP dikelompokan menjadi dua yaitu data uji asli (valid data) dan data uji palsu (forgery data) yang diuraikan sebagai berikut :
Gambar 12. Workspace Data After Pre Processing Gambar 11. Pasangan Koordinat Virtual Feature Space d yB Background d yW
yW
VCG WG Gambar 10. Representasi FS Gray Terhadap BG White
IP d yG d yW
Gambar 9. Representasi FS Black Terhadap BG White
IP d yB d yW
yB
Distance antara IP dengan B. Secara matematis dapat
array berukuran N x N d yW
(3) dimana :
y M,N : array
IP berukuran M x N
d yW(M,M)
: Euclidean Distance antara y dan W, berupa array berukuran M x M
d yB(N,N)
: Euclidean Distance antara y dan B, berupa
: rata-rata dari jumlah elemen diagonal d
dinyatakan :
y,W d yB
: rata-rata dari jumlah elemen diagonal d
y,B
Hal yang sama juga berlaku pada representasi Feature
M d B - y d d N Maka : d mean diag d d mean diag d
1 i j i j M N yW ( M ,M ) i , j j ,i i j M M yW yW ( i , j ) i j N M yB( N ,N ) j ,i i , j j i N N yB yB( i , j ) i j yW yW ( M ,M ) yB yB( N ,N ) d y -W d d
1
2 1 1 1 1 2 1 1 1 1
Space Gray terhadap Background White
Valid data uji maksimum terdiri dari 10 data untuk diuji dengan kategori pra produktif, 10 data untuk diuji dengan kategori produktif, dan 6 data untuk diuji dengan kategori paska produktif Forgery Data uji maksimum terdiri dari 16 data untuk diuji dengan kategori pra produktif, 16 data untuk diuji dengan kategori produktif, dan 20 data untuk diuji dengan kategori paska produktif B.
I I
IV I LUSTRASI H ASIL U JI C OEFFICIENT C ORRELATION T ERHADAP P ROTOTYPE F
ITUR C ONTOUR B ASED
VCG KATEGORI Coefficient Correlation bwPRA5 bwPRO5 bwPAS5 Pra Produktif 0.8331 0.8334 0.8270
Produktif 0.8334 0.8334 0.8298 Paska Produktif 0.8288 0.8312 0.8333 T ABEL
III
I LUSTRASI H ASIL U JI C OEFFICIENT C ORRELATION T ERHADAP P ROTOTYPE F
ITUR G RAY B ASED
VCG KATEGORI Coeeficient Correlation
‘PRA5’ ‘PRO5’ ‘PAS5’ Pra Produktif 0.8331 0.8328 0.8194 Produktif 0.8298 0.8333 0.8076 Paska Produktif 0.8333 0.8230 0.8333
T ABEL
I LUSTRASI H ASIL U JI E UCLIDEAN D
PRA5 PRO5 PAS5 Pra Produktif 0.5 0.8334 0.1666 Produktif 0.1666 0.8334 0.1666
ISTANCE T ERHADAP P ROTOTYPE F
ITUR C ONTOUR B ASED
VCG KATEGORI EUCLIDEAN DISTANCE bwPRA5 bwPRO5 bwPAS5 Pra Produktif 0.7134 0.8217 0.5192
Produktif 0.8023 0.7997 0.5206 Paska Produktif 0.5077 0.5364 0.7624 T ABEL
I I LUSTRASI H ASIL U JI E UCLIDEAN D
ISTANCE T ERHADAP P ROTOTYPE F
ITUR G RAY B ASED
VCG Kategori EUCLIDEAN DISTANCE PRA5 PRO5 PAS5
Pra Produktif 0.7119 0.6792 0.5027 Produktif 0.5974 0.7687
0.5 Paska Produktif 0.7665 0.5022 0.7687 Sample Test (Guess Image) Valid Image Forgery Image Pre Processing Guess Gray Pattern Valid Image Forgery Image Guess Contour Pattern Valid Image Forgery Image VCG Feature Extraction Euclidean Distance Test against VCG Prototype Euclidean Distance Test against Common VCG Correlation Coefficient Test Contour Euclidean Distance Test against VCG Prototype Euclidean Distance Test against Common VCG Correlation Coefficient Test Color DECISION in PERCENT FUZZY CLASSIFIER
Paska Produktif 0.6814 0.1666 0.5507 T ABEL
VCG Kategori Range Distance Acceptance
Pre Processing Dan Ekstraksi Ciri GIP
VCG dapat ditunjukkan dalam Tabel 1 berikut : Untuk GIP ‘bwPRA5’, ‘bwPRO5’ dan ‘bwPAS5’ hasil uji Euclidian Distance terhadap prototype fitur contour
Di ilustrasikan dengan 1 (satu) GIP untuk masing- masing kategori, GIP yang digunakan adalah DSC_5.nef sebagai GIP pra produktif, yang diberi variabel ‘PRA5’ untuk gray based dan ‘bwPRA5’ untuk contour based DS_5.nef sebagai GIP produktif, yang diberi variabel ‘PRO5’ untuk gray based dan ‘bwPRO5’ untuk contour based DS5.nef sebagai GIP paska produktif, yang diberi variabel ‘PAS5’ untuk gray based dan ‘bwPAS5’ untuk contour based
Dengan cara yang sama pada proses pre processing dan Ekestraksi ciri prototype, digunakan juga pada GIP C.
Klasifikasi GIP Menggunakan Fuzzy Rule Based
Tahapan klasifikasi GIP dimaksudkan untuk menentukan GIP tergolong kategori pra produktif, produktif, atau paska produktif. Proses klasifikasi dilakukan melalui tiga jenis pengujian, yaitu sebagai berikut :
Uji euclidean distance Uji coefficient correlation Uji range distance acceptance Ketiga pengujian diatas dilakukan untuk semua
prototype fitur yang telah diperoleh seperti yang
ditunjukkan dalam flow diagram berikut : Hasil dari pengujian tersebut diperoleh sebagai berikut : 1.
Uji Euclidean Distance
Untuk GIP ‘PRA5’, ‘PRO5’ dan ‘PAS5’ hasil uji
Euclidian Distance terhadap prototype fitur gray based
based
ITUR G RAY B ASED
VCG dapat ditunjukkan dalam Tabel 2 berikut : 2.
Uji Coefficient Correlation
Hasil uji Coefficient Correlation terhadap prototype fitur gray based VCG dapat ditunjukkan dalam Tabel 3 berikut : Hasil uji Coefficient Correlation terhadap prototype fitur contour base VCG dapat ditunjukkan dalam Tabel 4 berikut : 3.
Uji Range Distance Acceptance
Hasil uji Range Distance Acceptance terhadap
prototype fitur gray based VCG dapat ditunjukkan
dalam Tabel 5 Hasil uji Range Distance Acceptance terhadap prototype fitur contour based VCG dapat ditunjukkan Tabel 6 Dari tiga pengujian yang telah dilakukan, maka dapat diperoleh total metode pengujian dengan menggunakan
T ABEL
V I LUSTRASI H ASIL U JI R ANGE D
ISTANCE A CCEPTANCE T ERHADAP P ROTOTYPE F
Gambar 13. Fuzzy Classification Decision Model
fuzzy rule base 3 input pada masing-masing segmentasi
VCG Kategori Acceptance Contour Based
False Acceptance Rate adalah nilai dari False
Positive Rate , dinyatakan dengan persamaan
seperti berikut :
FAR = FPR
(7)
Gambar 15. Pengujian Prototype Ciri Contour Based VCG Gambar 14. Pengujian Prototype Ciri Gray Based VCG T ABEL
VIII
I LUSTRASI T OTAL R ESULT U JI A CCEPTANCE
VCG T ERHADAP P ROTOTYPE F
ITUR C ONTOUR B ASED
VCG bwPRA5 bwPRO5 bwPAS5 Pra Produktif 0.5000 0.8177 0.5000 Produktif 0.8147 0.8143 0.5000 Paska Produktif 0.5000 0.5000 0.8078 T ABEL
(6) Selanjutnya adalah memperoleh FAR dan FRR, serta
VII
I LUSTRASI T OTAL R ESULT U JI A CCEPTANCE
VCG T ERHADAP P ROTOTYPE F
ITUR G RAY B ASED
VCG Kategori Acceptance Gray Based VCG PRA5 PRO5 PAS5
Pra Produktif 0.7982 0.7961 0.5000 Produktif 0.5 0.8090 0.5000 Paska Produktif 0.7954 0.5000 0.8090
T ABEL
VI I LUSTRASI H ASIL U JI R ANGE D
ISTANCE A CCEPTANCE T ERHADAP P ROTOTYPE F
ITUR C ONTOUR B ASED
VCG KATEGORI Range Distance Acceptance bwPRA5 bwPRO5 bwPAS5 Pra Produktif 0.1666 0.8177 0.1666
Accuracy [9] yang dijelaskan berikut :
TN TNR = » TNR = 1- FPR N
yang di perlihatkan oleh Tabel 7 dan 8 Pengujian data uji hasil ekstraksi ciri menggunakan metode VCG terhadap prototype fitur gray based VCG diilustrasikan dalam Gambar 14. Dan pengujian data uji hasil ekstraksi ciri menggunakan metode VCG terhadap
Acceptance Rate (FAR) atau rasio kesalahan
prototype fitur contour based VCG diilustrasikan dalam
Gambar 15. Sebagai salah satu sampel pengujian yang digunakan adalah GIP Pra Produktif yakni data ‘PRA5’ dan
‘bwPRA5’ Gambar 14 dapat dijelaskan seperti berikut
Point berwarna magenta adalah koordinat VCG dari data uji PRA5. Prototype VCG dengan feature space hitam dan
background , posisi data PRA5 berada mutlak di ruang pra produktif.
Prototype VCG dengan feature space abu-abu dan background, posisi data PRA5 berada di irisan ruang pra dan paska. Gambar 15 dapat dijelaskan seperti berikut :
Point berwarna magenta adalah koordinat VCG dari data uji PRA5 Prototype VCG dengan feature space hitam dan background, posisi data ‘bwPRA5’ berada mutlak di ruang kategori produktif. Hal ini disebut juga unmatch valid Image Prototype VCG dengan feature space abu-abu dan background, posisi data ‘bwPRA5’ berada diantara irisan semua kategori, untuk mengetahui seberapa dekat dan mirip data tersebut dengan masing-masing kategori maka digunakan aturan
fuzzy
Tahapan selanjutnya setelah diperoleh hasil pengujian GIP terhadap prototype ciri, diperlukan pengukuran unjuk kerja tingkat keberhasilan (Performance
Acceptance ). Unjuk kerja pada model klasifikasi dapat
dilihat dengan dua model kesalahan yakni False
penerimaan dan False Rejection Rate (FRR) atau rasio kesalahan penolakan [9].
True Negative (TN) dibagi jumlah forgery image (N) .
Dalam unjuk kerja model klasifikasi maka perlu dilakukan perhitungan untuk pencarian True Positive
Rate (TPR), False Positive Rate(FPR), dan True Negative Rate (TNR) [10]. yang dijabarkan sebagai
berikut TPR juga biasa disebut dengan sensivity, atau rasio ketepatan, dijelaskan sebagai match valid
image selanjutnya disebut True Positive (TP)
dibagi jumlah valid image (P)
TP TPR = P
(4) FPR juga bisa disebut alarm kesalahan atau rasio ketidak tepatan, diuraikan menjadi unmatch valid
image selanjutnya disebut False Positive (FP)
dibagi jumlah forgery image (N)
FP FPR = N
(5) TNR juga bisa disebut specificity, dijelaskan sebagai match forgery image selanjutnya disebut
Produktif 0.8334 0.8143 0.1666 Paska Produktif 0.1666 0.5000 0.8334
False Rejectance Rate adalah nilai dari False pengujian sistem maka dapat disimpulkan hal-hal
Negative Rate , persamaan nya adalah :
sebagai berikut :
FRR =1-TPR
…………………..(8)
1. Prototype fitur berhasil dibangun melalui Accuracy yang selanjutnya disebut Acc, adalah tahapan selekasi data latih terbaik dengan ciri prosentase ketepatan keberhasilan total pengujian khusus yang diperoleh berupa pasangan terhadap prototype ciri, persamaan yang koordinat virtual center of gravity menyatakan nya adalah :
2. Pengujian untuk menentukan klasifikasi suatu
(TP + TN)
data uji berdasarkan relatifitas kedekatan dan
Acc = ×100% (P + N)
kemiripan jarak dengan metode fuzzy rule base (9) diperoleh melalui kombinasi tiga pengujian yaitu
Pada percobaan pengujian unjuk kerja GIP yang
a. Uji Euclidean Distance bervariasi dengan referensi hasil pemilihan data terbaik b. Uji Coefficient Correlation yang digunakan adalah gray base, maka diperoleh nilai c. Uji Range Distance Acceptance
FAR, FRR dan Acc yang ditunjukkan dalam tabel IX,
3. Dengan menggunakan metode analisis kesalahan X, XI dan XII. model klasifikasi yakni FAR dan FRR, hasil percobaan memperoleh nilai accuracy terendah
T ABEL
IX FAR DAN FRR K ATEGORI P RA P RODUKTIF sebesar 77.78% dan tertinggi sebesar 85.19%, Pra Produktif dengan jumlah data uji bervariasi pada rentang 6 Kategori Data Uji FAR FRR
hingga 18 data
Pra=2; Pro=2; Pas=2 0.00% 100.00%
Masih banyak yang bisa dikembangkan untuk
Pra=3; Pro=3; Pas=3 0.00% 100.00%
menyempurnakan penelitian yang telah dilakukan antara
Pra=4; Pro=4; Pas=4 0.00% 75.00% Pra=5; Pro=5; Pas=5 0.00% 80.00% lain dari sisi akuisisi data primer dapat diperoleh data Pra=6; Pro=6; Pas=6 0.00% 66.67%
paska produktif yang lebih valid. Tahapan pre
processing dapat ditambahkan proses pelabelan atau TABEL
X
registrasi citra untuk membantu mengatasi kondisi citra
FAR DAN FRR K ATEGORI P RODUKTIF
yang tergolong unoccurent. Penelitian selanjutnya yang
Produktif Kategori Data Uji
dapat dilakukan adalah melakukan kombinasi (hybrid)
FAR FRR Pra=2; Pro=2; Pas=2 50.00% 0.00%
antara ekstraksi ciri
VCG dengan ekstraksi
Pra=3; Pro=3; Pas=3 50.00% 0.00%
menggunakan metode clustering dengan model
Pra=4; Pro=4; Pas=4 37.50% 0.00% Pra=5; Pro=5; Pas=5 30.00% 0.00% keputusan berupa validasi. Pra=6; Pro=6; Pas=6 25.00% 00.00%
D AFTAR P USTAKA
TABEL
XI [1] Budi, A.S., Struktur Kulit Dari Beberapa Jenis Pohon Tahan Dan FAR DAN FRR K ATEGORI P ASKA P RODUKTIF Tidak Tahan Kebakaran, Jurnal Ilmiah Kehutanan. Volume I
No.1. September 1996. Fakultas Kehutanan Universitas Paska Produktif Kategori Data Uji Mulawarman. Samarinda.
FAR FRR [2] Loveless, A.R., Principles Of Plant Biology for the Tropics, Pra=2; Pro=2; Pas=2 0.00% 0.00% Longman Group Limited, PT. Gramedia, 1987. Pra=3; Pro=3; Pas=3 0.00% 0.00% [3] Acharya T, .Ray A.K., Image Processing : Principles and Pra=4; Pro=4; Pas=4 0.00% 0.00% Applications, Wiley Interscience. Jhon Wiley & Sons Inc., 2005. Pra=5; Pro=5; Pas=5 10.00% 0.00% [4] Malik J, Belongie S, Leung, and Shi. Contour and texture Pra=6; Pro=6; Pas=6 8.33% 0.00% Analysis for Image Segmentation, International Journal Of
Computer Vision, vol 43(1), 2001, pp. 7-27.
[5] Gonzales RE, Woods RE, Digital Image Processing, 2nd ed, T ABEL
XII New Jersey : Prentince Hall, Inc, 2002. T
INGKAT A CCURACY [6] Supranto J,MA., Statistik Teori Dan Aplikasi, Jilid I, Penerbit Erlangga , 2012.
Kategori Data Uji Accuracy [7] Kadir A., Susanto A. Teori Dan Aplikasi Pengolahan Citra , Penerbit Andi, 2013. [8] Para T, Porwik P, Some Handwritten Signature Parameters in Pra=2; Pro=2; Pas=2 77.78% th Biometric Recognition Process, Proceedings of the ITI 29
Pra=3; Pro=3; Pas=3 77.78% Information Technology Interface , June 25-28, 2007. Pra=4; Pro=4; Pas=4 83.33% [9] Syam R, Hariadi M, Purnomo H, Penentuan Nilai Standar Pra=5; Pro=5; Pas=5 82.22% Distorsi Berminyak Pada Akuisisi Citra Sidik Jari, Jurnal Pra=6; Pro=6; Pas=6 85.19% , Vol.15 No.1, April 2011,pp. 55-62.
MAKARA Teknologi [10] Marcel S, Fundamental in Statitiscal Pattern Recognition, Idiap Research Institute Martigny, Switzerland, Senior Researcher,
ESIMPULAN AN ARAN
V. K D S Available 22 May 2013. Dari hasil perancangan, analisis, implementasi dan